最小二乘支持向量机用于时间序列叶面积指数预测

作     者：梁栋 谢巧云 黄文江 彭代亮 杨晓华 黄林生 胡勇 Liang Dong;Xie Qiaoyun;Huang Wenjiang;Peng Dailiang;Yang Xiaohua;Huang Linsheng;Hu Yong

作者机构：安徽大学计算机智能与信号处理教育部重点实验室安徽合肥230039 安徽大学电子信息工程学院安徽合肥230039 中国科学院遥感与数字地球研究所数字地球重点实验室遥感科学国家重点实验室北京100094 气象水文空间天气总站北京100094 

出 版 物：《红外与激光工程》 (Infrared and Laser Engineering)

年 卷 期：2014年第43卷第1期

页      面：243-248页

核心收录：

学科分类：12[管理学] 08[工学] 09[农学] 083002[工学-环境工程] 0830[工学-环境科学与工程（可授工学、理学、农学学位）] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 0804[工学-仪器科学与技术] 0903[农学-农业资源与环境] 0816[工学-测绘科学与技术] 081602[工学-摄影测量与遥感] 0835[工学-软件工程] 081102[工学-检测技术与自动化装置] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(61172127 41201354) 国家863项目(2012AA12A307) 高等学校博士学科点科研基金(20113401110006) 

主　　题：最小二乘支持向量机(LS-SVM) 支持向量机(SVM) 叶面积指数 时间序列 MODIS 

摘      要：遥感反演的叶面积指数(LAI)时间序列被广泛应用于气候模拟、作物长势监测等研究。但遥感数据受天气等因素影响,时间序列的LAI数据存在缺失。支持向量机(SVM)是一种有效的数据分类和回归预测工具,而最小二乘支持向量机(LS-SVM)是对SVM的有效改进。以西藏那曲县为例,使用2003-2011年MODIS LAI产品,分别用LS-SVM和SVM两种方法对研究区域2011年LAI时间序列进行预测,并用MODIS原始LAI以及部分地面实验样点值进行验证。结果表明,基于LS-SVM的LAI时间序列预测算法的精度比基于SVM的算法高,从而证明LS-SVM方法能够弥补遥感反演时间序列LAI数据的缺失问题,对提高时间序列的LAI遥感产品质量具有重要意义。